钟庆华 孙鑫 张铁军 乔洪磊 杨新安
基金项目：浙江省交通运输厅科研计划项目（20211050）
第一作者简介：钟庆华（1975-），男，高级工程师。研究方向为隧道工程。
*通信作者：乔洪磊（1999-），男，博士研究生。研究方向为隧道工程。
DOI：10.19981/j.CN23-1581/G3.2024.12.018
摘 要：由于地质条件的复杂多变、勘察方法和技术缺陷等原因，勘察阶段的山岭隧道围岩分级与施工阶段存在差异。为动态获得施工中杭温铁路隧道前方围岩等级，该文基于岩体基本质量指标（BQ）的综合评判法，利用现场回弹试验、超前地质预报及掌子面图像识别等手段，通过人工智能算法获得前方揭露围岩岩石强度及岩体完整性系数；再结合隧道现场水文情况、软弱结构面、初始地应力状态等修正因素，对围岩进行精细分级。现已在杭温铁路隧道古塘源二号隧道进口DK90+292、金竹坪隧道出口DK86+184、木匪岭隧道出口DK84+565及松坞尖隧道进口DK86+752等断面围岩等级变更工作中实现成功应用，得到与专业团队相吻合的揭露围岩级别判别结果，具有进一步推广与研究价值。
关键词：山岭隧道；人工智能；图像识别；围岩精细分级；围岩等级变更
中图分类号：U25 文献标志码：A 文章编号：2095-2945（2024）12-0077-05
Abstract： Due to the complex and changeable geological conditions and the defects of survey methods and techniques， there is a difference between the surrounding rock classification of mountain tunnel in the investigation stage and the construction stage. In order to dynamically obtain the grade of surrounding rock in front of the tunnel of Hangzhou-Wenzhou Railway under construction， based on the comprehensive evaluation method of rock mass basic quality（BQ）， by means of on-site rebound test， advanced geological prediction and palm face image recognition， the rock strength and rock mass integrity coefficient of front exposed surrounding rock are obtained by artificial intelligence algorithm. Based on the correction factors such as hydrological condition， weak structural plane and initial ground stress state of the tunnel， the surrounding rock is classified finely. It has been successfully applied in the surrounding rock grade change of Gutangyuan No.2 tunnel entrance DK90+292， Jinzhuping tunnel exit DK86+184， Mugangling tunnel exit DK84+565 and Songwujian tunnel entrance DK86+752 of Hangzhou-Wenzhou Railway tunnel. The results are consistent with the professional team to reveal the surrounding rock grade， which is worth further popularizing and studying.
Keywords： mountain tunnel; artificial intelligence; image recognition; fine classification of surrounding rock; change of surrounding rock grade
目前，国家正在大力推进人工智能与多学科多产业的融合升级，致力于提高多领域的智能化水平。人工智能的利用，可以大大提高隧道在设计、施工、运营、管理与养护等方面的智能化水平，提高隧道工程的工作效率。在隧道工程中通过引入人工智能领域神经网络、图像识别等手段有利于隧道围岩分级快速化、精细化、智能化进行。
近年来，国内外学者针对施工阶段围岩智能化分级已经开展了一些研究。
在围岩分级方法方面，马超锋等[1]基于贝叶斯统计理论，建立[BQ]的先验分布和后验分布概率模型，推导出[BQ]的后验分布超参数的计算公式，获得[BQ]的可信概率为1～？琢的可信区间，并据此对围岩动态分级进行优化。郑帅等[2]在传统岩体分级BQ方法基础上，基于机器学习与可靠度算法提出了一种隧道施工过程中围岩动态分级方法， 成功应用于甄峰岭隧道部分区段围岩变更。
岩石强度获取方面，丁黄平等[3]通过对安徽六黄潜高速公路不同隧道的28个掌子面的点荷载数据和回弹数据进行回归分析， 提高了围岩分级反馈速度。王睿等[4]基于声波-回弹联合测试法，建立BP神经网络模型在施工阶段快速预测岩石强度，实现了岩石强度的现场快速无损预测。
岩体完整度获取方面，Reid等[5]提出了一种将照片转化为灰度图像，将像素颜色的深浅作为高度坐标，把照片变换成立体高程图，得到连续沟渠作为岩体结构面部分的新方法。柳厚祥等[6]训练以掌子面图片和特征标签为数据集的深度卷积神经网络模型，结合深度学习技术和岩体裂隙图像智能解译方法统计围岩节理组数和间距描述结构面完整程度。
本文依托浙江杭温铁路隧道工程，开展了现场回弹试验及数码图像拍照，结合超前地质预报及深度学习算法获得了施工断面岩石强度及岩体完整度数据，成功应用于现场的施工围岩级别变更。
1 工程概况
新建杭州至温州铁路杭州至义乌段（简称“杭温铁路Ⅱ期”）（图1）工程是国家高速铁路网主骨架京沪杭、商合杭铁路的南延线，是长三角城际铁路网的重要组成部分，是一条以路网功能为主、兼顾城际功能的快速客运通道。杭温铁路的建设能够有效完善国家高速铁路运输网，增强区域干线高速铁路网，构建浙江省“1h交通圈”，形成杭州与温州间最为便捷的客运通道，对满足沿线交通出行增长需求、实现旅游资源开发、促进社会经济发展具有重要意义。
图1 杭温铁路杭乌段地理位置图
杭温铁路杭州至义乌段，正线全长59.018 km，全线新建桥梁21座，全长16.746 km；隧道21座，全长39.025 km，隧线比为66.1%。设特长隧道1座，为木匪岭隧道10.24 km；长隧道4座，中长隧道7座，短隧道9座。部分隧道特征见表1。
表1 杭温铁路杭乌段部分隧道情况
2 山岭隧道围岩智能化分级原理
2.1 围岩分级方法
依据TB 10003—2016《铁路隧道设计规范》，采取围岩质量指标BQ值及修正的[BQ]值，对围岩级别进行判定。BQ值的计算公式如式（1）所示
BQ=90+3Rc+250Kv， （1）
式中：Rc为岩石单轴饱和抗压强度，MPa；Kv为岩体完整性系数。
确定BQ值进行初步分级后，再通过引入地下水系数K1、软弱结构面系数K2、初始地应力修正系数K3，根据式（2）进行修正，得到[BQ]值
[BQ]=BQ-100（K1+K2+K3）。（2）
最终通过查阅规范，将BQ值相应表格进行围岩分级。
2.2 岩石强度获取方法
在施工现场获取岩石强度方面，现有如王睿等[4]采用的声波-回弹联合测试法，其在采取单一回弹仪指标的基础上，引入声波测试指标反映岩石的内部裂隙、结构面、岩体含水及应力状态，得到岩石强度的综合反映。
然而在隧道开挖面开展的声波测试，无法通过非金属探测仪直接深入钻孔进行测量，通常需要搭配“一发双收”的单孔干孔转换器+推杆组合使用，选用推杆长度长于5 m，在施工现场应用并不方便，不足以满足施工现场仪器易携测量便捷的要求，且未将同样可以反映前方岩石孔隙、含水等情况的超前地质数据充分利用，故本文采用地质雷达-回弹联合测试法进行岩石强度获取，其参数获取方法如下。
2.2.1 岩石表面回弹测试
选用图2所示HT-225高强度回弹仪进行回弹测试。
图2 HT-225高强度回弹仪
沿用国际岩石力学学会给出的岩石研究方法，测试时在每个测区记录20个回弹值，每2个回弹值间距不小于弹击杆直径，选取其中较大的10个回弹值平均值作为回弹值。
2.2.2 地质雷达参数获取
地质雷达（Ground Penetrating Radar， GPR）通过发射天线将电磁波传输到隧道施工面前面，当发射出去的大频率电磁波碰到不同的地质情况（如含水层、裂隙带、洞穴等），即电磁波的传播介质不同时，它就会被反射， 并且反射波的幅度、路径和波形将随着电介质的电特性和几何形状而变化，其波形图如图3所示。
图3 地质雷达波形图
本文尝试通过式（3）引入施工对应区段地质雷达图中的高能量区域面积占总面积之比作为表征施工面前方断层裂隙带、洞穴、含水层的不良地质状况的表征参数，定义为地质发育度，以进行后续岩石强度获取研究。
D=Sn/S，（3）
式中：D为地质发育度；Sn为区域内能量团总面积；S为区域总面积。
2.2.3 岩石强度标定及地质发育度-回弹联合法
如图4所示，将制备好的直径50 mm、高100 mm岩石试样置于压力机承压板中心，依0.5 MPa/s的加载速度对试样加荷，直到试样破坏为止，记录最大破坏载荷。
在获取了岩石强度及对应的回弹值、地质发育度后，采用按误差逆传播算法训练的多层前馈网络BP神经网络[7]，建立回弹值、地质发育度与岩石强度的拟合关系。本模型采用BP神经网络结构如图5所示，包含输入层、隐藏层、输出层，激活函数选用sigmoid函数，其中输入层包括2个神经元对应回弹值及地质发育度，隐藏层经过比选采用单层9神经元，输出层单神经元对应输出岩石强度值。
图4 岩石单轴抗压强度试验
图5 BP神经网络结构
2.3 岩体完整度获取方法
2.3.1 数码图像获取
由于隧道工程施工现场光线条件差，施工粉尘浓度较高，且掌子面面积较大，采取完整掌子面拍摄很难获得良好图像处理样本，故采用如图6所示分6块区域分块摄影方式，再进行后期拼接处理，得到完整清晰的掌子面数码图片。
图6 掌子面分区摄影
2.3.2 掌子面地质图像编录
按照图7所示，通过灰度处理—空间滤波—二值化处理—形态学处理流程得到掌子面地质信息。
图7 掌子面地质图像编录
2.3.3 岩石完整度计算
在BQ法围岩分级中，岩体完整度Kv可以通过岩体积节理数Jv查表换算得到，而体积节理数Jv可以通过条数法按照式（4）配合目标检测获得的掌子面节理数快速得到。
Jv=■×（1.3～1.5）， （4）
式中：ni是第i个单位测量面积内的节理条数；N为测量区域数量。
3 工程应用
杭温铁路古塘源二号隧道进口DK90+277～DK90+297实际勘察发现，掌子面围岩为凝灰质砂岩，弱风化，节理裂隙发育，岩体较破碎，拱顶自稳能力一般，易掉块，地下水以基岩裂隙水为主，较发育，围岩等级明显低于设计中的Ⅲ级围岩标准。为准确获得施工现场围岩级别，指导后续施工，工程现场应用本文所述山岭隧道围岩智能化分级系统进行围岩变更辅助判别并与中铁第四设计院勘测人员定性判别结果对照做出综合判断。
将拍摄好的掌子面图像，按照左拱肩、拱顶、右拱肩、左边墙、拱底和右边墙对应位置，采取图像拼接融合算法拼接成如图8所示完整清晰掌子面图像。
图8 掌子面拼接图像
将图8完整掌子面图像通过自开发山岭隧道围岩智能化分级软件处理得到掌子面地质裂隙分布形态如图9所示。
图9 掌子面识别图像
根据TB 10003—2016《铁路隧道设计规范》进行围岩分级，古塘源二号隧道进口DK90+292断面6个分区的分级参数及分级结果见表2。
表2 古塘源二号隧道进口D90+292区段分级表
由表2可知，掌子面分区左拱肩区域分级结果为Ⅳ1级，拱顶区域为Ⅳ1级，右拱肩区域为Ⅳ2级，左边墙区域为Ⅲ2级，拱底区域为Ⅲ2级，右边墙区域为Ⅳ1级，结合上述分区结果，综合预测古塘源二号隧道进口DK90+292区段为Ⅳ1级，与现场勘查团队所给出的围岩等级变更建议书所述将DK90+292区段变更为Ⅳ级围岩相吻合，验证了本文所述山岭隧道围岩智能化分级系统的可靠性。
4 结论
本文依托杭温铁路隧道工程，将自主开发的山岭隧道围岩智能化分级系统应用于施工过程中隧道前方掘进岩体的围岩级别判定，并在古塘源二号隧道进口DK90+292断面施工现场围岩级别变更工作中，与现场专业勘察团队所给出围岩变更建议进行对比验证，得出以下结论。
1）通过充分结合传统的回弹测试与超前地质预报手段，借助BP神经网络预测模型建立了地质发育度-回弹联合法预测岩石强度，得到了施工现场快速准确获得岩石强度值的方法。
2）通过图像识别的方法准确高效获取了掌子面地质信息，采用表面条数法将地质信息转化为岩体完整度参数，大大提高了岩石完整度的获取效率。
3）在BQ法修正所需的其他参数地下水系数K1、软弱结构面系数K2、初始地应力修正系数K3的获取上，本文通过现场观察+勘察资料进行确定，保证了参数获取的快捷准确。
围岩变更工作的现场应用证明本文提供的方法可获得可靠的岩石强度、岩石完整度等分级参数，并可相较于传统分级方法，给出更加精细的分区级别与亚级划分，对后续施工、支护具有重要的指导意义，具有良好的推广价值。
参考文献：
[1] 马超锋，李晓，成国文，等.大跨度公路隧道围岩动态分级的Bayes优化[J].地下空间与工程学报，2011，7（2）：322-328.
[2] 郑帅，姜谙男，张峰瑞，等.基于机器学习与可靠度算法的围岩动态分级方法及其工程应用[J].岩土力学，2019，40（S1）：308-318.
[3] 丁黄平，佴磊，张振营.岩石抗压强度点荷试验与回弹试验相关性研究[J].路基工程，2008（5）：70-71.
[4] 王睿，夏道洪，邓祥辉，等.施工阶段隧道围岩快速分级法[J].科学技术与工程，2020，20（5）：2053-2060.
[5] REID T R， HARRISON J P． A semi-automated methodology for discontinuity trace detection in digital images of rock mass exposures[J]．International Journal of Rock Mechanics and Mining Sciences，2000（7）：37.
[6] 柳厚祥，李汪石，查焕奕，等.基于深度学习技术的公路隧道围岩分级方法[J].岩土工程学报，2018，40（10）：1809-1817.
[7] 杨福，王衍金，江战红.基于GA-BP方法的地铁站动态人员冷负荷预测研究[J].华东交通大学学报，2021，38（2）：44-50.
